本發明專利技術公布了一種基于Retinex模型的高光譜圖像分類方法，屬于圖像處理技術領域，包括以下步驟：對高光譜圖像進行Retinex分解，得到固有屬性分量和光照分量；通過雙分支網絡分別對固有屬性分量和光照分量進行特征提取，其中固有屬性分量特征提取器用于提取高光譜圖像的材質特征和紋理信息，光照分量特征提取器用于提取高光譜圖像的光照特征；利用基于交互注意力機制的特征融合模塊對提取的固有屬性特征和光照特征進行融合，生成融合后的特征表示；對融合后的特征進行分類，生成高光譜圖像的分類結果。本發明專利技術能夠有效提取高光譜圖像中的空譜特征，顯著提高了分類精度，具有廣泛的應用前景，適用于復雜光照條件下的高光譜圖像分類任務。
1、高光譜圖像分類是遙感科學中的重要研究方向，其通過捕捉地表物體在全電磁波譜范圍內的連續反射特性，實現對地物的精確識別和分類。高光譜圖像具有波段數多、信息冗余大的特點，能夠提供極其細致的光譜信息，為科學研究和應用實踐提供了前所未有的洞察力。
3、光照變化的影響：高光譜圖像的分類性能對光照條件非常敏感。光照變化會導致圖像的光譜特征發生顯著變化，從而影響分類模型的準確性。現有的深度學習方法在處理光照變化時表現不佳，尤其是在光照不均勻或光照條件復雜的情況下，分類精度顯著下降。
4、有限標記數據的過擬合問題：高光譜圖像的標記數據獲取成本高、難度大，導致訓練數據往往有限。現有的深度學習方法在有限標記數據的情況下容易出現過擬合問題，導致模型在未見數據上的泛化能力較差，分類結果不理想。
5、單一特征提取的局限性：現有的高光譜圖像分類方法通常只關注單一特征（如光譜特征或空間特征），而忽視了光照特征和固有屬性特征之間的互補關系。這種單一特征提取方式限制了模型的分類性能，尤其是在復雜場景下，分類精度難以進一步提升。
>技術實現思路1、針對以上問題，本專利技術提供一種基于retinex模型的高光譜圖像分類方法，本專利技術能夠有效提取高光譜圖像中的空譜特征，顯著提高了分類精度，具有廣泛的應用前景，適用于復雜光照條件下的高光譜圖像分類任務。
2、為實現上述目的，本專利技術采用的技術方案是：
3、一種基于retinex模型的高光譜圖像分類方法，包括以下步驟：
4、對高光譜圖像進行retinex分解，得到固有屬性分量和光照分量；
5、通過雙分支網絡分別對固有屬性分量和光照分量進行特征提取，其中固有屬性分量特征提取器用于提取高光譜圖像的材質特征和紋理信息，光照分量特征提取器用于提取高光譜圖像的光照特征；
6、利用基于交互注意力機制的特征融合模塊對提取的固有屬性特征和光照特征進行融合，生成融合后的特征表示；
7、對融合后的特征進行分類，生成高光譜圖像的分類結果。
8、本專利技術基于retinex模型的高光譜圖像分類方法，通過retinex分解將高光譜圖像分離為固有屬性分量和光照分量，利用雙分支網絡分別提取特征，并通過交互注意力機制實現特征融合和分類。實現了對高光譜圖像中光照變化和固有屬性的有效分離，提升了分類精度和魯棒性，解決了光照變化對分類性能的影響。
9、作為上述方案的進一步改進，所述retinex分解步驟包括：
10、對高光譜圖像的每個波段進行對數變換；
11、使用不同尺度的高斯核進行濾波，得到光照分量，其中高斯核的尺度參數σi根據高光譜圖像的局部信息和全局信息動態調整；
12、通過對數變換后的圖像減去光照分量，得到反射率圖像，所述反射率圖像表示高光譜圖像的固有屬性分量；
13、對不同尺度的反射率圖像進行加權平均，得到最終的固有屬性分量；
14、對固有屬性分量和光照分量進行指數變換，恢復到線性空間。
15、上述改進的技術效果：
16、retinex分解通過對高光譜圖像的每個波段進行對數變換，使用多尺度高斯核濾波得到光照分量，再通過對數變換后的圖像減去光照分量得到反射率圖像（固有屬性分量），最后對不同尺度的反射率圖像進行加權平均并恢復線性空間。通過多尺度高斯核濾波和加權平均，充分考慮了高光譜圖像的局部信息和全局信息，有效分離了光照分量和固有屬性分量，增強了圖像特征的表達能力。
17、作為上述方案的進一步改進，所述固有屬性分量特征提取器包括：
18、通過卷積層對輸入的固有屬性分量進行降維，生成初始特征圖；
19、通過多層卷積層逐步提取局部特征，其中卷積層包括不同大小的卷積核；
20、通過全局池化操作捕捉全局和局部顯著信息，生成全局平均池化向量和全局最大池化向量；
21、將全局平均池化向量和全局最大池化向量拼接后，通過全連接層和激活函數生成通道注意力權重；
22、將通道注意力權重與原始特征圖逐元素相乘，生成增強后的特征圖。
23、上述改進的技術效果：通過卷積神經網絡和通道注意力機制，提取了高光譜圖像的材質特征和紋理信息，增強了特征表達能力，提高了分類精度。
24、作為上述方案的進一步改進，所述光照分量特征提取器采用與固有屬性分量特征提取器相同的深度學習架構進行特征提取，并通過交叉熵損失函數進行訓練。
25、上述改進的技術效果：通過相同的深度學習架構，提取了高光譜圖像的光照特征，確保了光照特征提取的準確性和一致性，提升了分類性能。
26、作為上述方案的進一步改進，所述基于交互注意力機制的特征融合模塊包括：
27、將固有屬性特征和光照特征分別通過卷積層轉換為查詢向量query、鍵向量key和值向量value，其中卷積核大小為3×3；
28、通過點積計算查詢向量和鍵向量之間的相似度，生成能量矩陣；
29、通過softmax函數對能量矩陣進行歸一化，生成注意力權重矩陣；
30、將注意力權重矩陣與值向量相乘，生成融合后的特征圖；
31、通過殘差連接將融合后的特征圖與原始特征圖相加，其中殘差連接的權重γ為可學習參數；
32、將殘差連接后的特征圖通過兩個并行的多層感知機mlp進行加權融合，生成最終的分類特征。
33、上述改進的技術效果：基于交互注意力機制的特征融合模塊將固有屬性特征和光照特征分別轉換為查詢向量（query）、鍵向量（key）和值向量（value），通過點積計算相似度生成能量矩陣，再通過softmax函數生成注意力權重矩陣，最后將注意力權重矩陣與值向量相乘生成融合后的特征圖，并通過殘差連接和加權融合生成最終的分類特征。通過交互注意力機制，動態調整固有屬性特征和光照特征的權重，實現了信息互補，提升了特征融合的效果，從而提高了分類精度。
34、作為上述方案的進一步改進，所述交互注意力機制的特征融合模塊中，查詢向量query、鍵向量key和值向量value的生成過程包括：
35、使用3×3卷積核對固有屬性特征和光照特征分別進行卷積操作，生成查詢向量、鍵向量和值向量；
36、通過點積計算查詢向量和鍵向量之間的相似度，生成能量矩陣；
37、通過softmax函數對能量矩陣進行歸一化，生成注意力權重矩陣；
38、將注意力權重矩本文檔來自技高網...
【技術保護點】
1.一種基于Retinex模型的高光譜圖像分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述Retinex分解步驟包括：
3.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述固有屬性分量特征提取器包括：
4.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述光照分量特征提取器采用與固有屬性分量特征提取器相同的深度學習架構進行特征提取，并通過交叉熵損失函數進行訓練。
5.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述基于交互注意力機制的特征融合模塊包括：
6.根據權利要求5所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述交互注意力機制的特征融合模塊中，查詢向量Query、鍵向量Key和值向量Value的生成過程包括：
7.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述Retinex分解模塊采用多尺度高斯核進行濾波，高斯核的尺度參數σi根據高光譜圖像的局部信息和全局信息動態調整，以充分考慮高光譜圖像的局部信息和全局信息。
8.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述固有屬性分量特征提取器和光照分量特征提取器均采用卷積神經網絡進行特征提取，并通過批歸一化和ReLU激活函數加速訓練過程。
9.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述基于交互注意力機制的特征融合模塊通過動態調整固有屬性特征和光照特征的權重，實現信息互補，從而提升分類精度。
10.根據權利要求1所述的一種基于Retinex模型的高光譜圖像分類方法，其特征在于，所述方法通過可視化網絡生成最終的分類圖，便于用戶直觀理解分類結果。
...
【技術特征摘要】
1.一種基于retinex模型的高光譜圖像分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于retinex模型的高光譜圖像分類方法，其特征在于，所述retinex分解步驟包括：
3.根據權利要求1所述的一種基于retinex模型的高光譜圖像分類方法，其特征在于，所述固有屬性分量特征提取器包括：
4.根據權利要求1所述的一種基于retinex模型的高光譜圖像分類方法，其特征在于，所述光照分量特征提取器采用與固有屬性分量特征提取器相同的深度學習架構進行特征提取，并通過交叉熵損失函數進行訓練。
5.根據權利要求1所述的一種基于retinex模型的高光譜圖像分類方法，其特征在于，所述基于交互注意力機制的特征融合模塊包括：
6.根據權利要求5所述的一種基于retinex模型的高光譜圖像分類方法，其特征在于，所述交互注意力機制的特征融合模塊中，查詢向量query、鍵向量key和值向量valu...
【專利技術屬性】
技術研發人員：張瀛，沈錦泰，賈林，劉子坤，韓坤朋，
申請(專利權)人：湖南工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。